Ajuste paramétrico c1 y c2 en el desempeño del algoritmo de optimización de partículas – pso

Elba María Bodero Poveda, Edison Patricio Villacrés Cevallos, Paúl Stalin Ricaurte Ortiz, Marco Marcel Paredes Herrera, Patricia Alexandra Chiriboga Zamora

Resumen


La estimación de costos un proceso vital en la planificación de la producción industrial, garantizando una mayor exactitud. Un producto en su ciclo de vida parte de la estimación de costos, logrando con ello establecer los elementos de diseño, viabilidad y márgenes de utilidad. El algoritmo metaheurístico poblacional Optimización de Enjambre de Partículas (PSO) desde su aparición ha demostrado ser eficiente en la solución de problemas de optimización, la variación de sus parámetros ha permitido mejorar su eficiencia. Entre los parámetros de configuración se encuentran los coeficientes de aceleración c1 y c2. El presente trabajo está centrado en realizar un estudio del ajuste paramétrico de c1 y c2 en el desempeño de PSO para resolver un problema de estimación de costos en la fabricación de tuberías. Dado que los diseñadores son propensos a cometer errores, y en la búsqueda de modelos que representen al fenómeno estudiado, se ha demostrado que la modelación de problemas no lineales, basada en Redes Neuronales Artificiales (ANNs) provee aproximaciones con bajo margen de error. En consecuencia, en este artículo es mostrada la implementación de una Red Neuronal Artificial (ANN) tipo feedforward sigmoidal con aprendizaje PSO para lograr mejorar la exactitud en la estimación de costos. El estudio de caso utilizado para evaluar el modelo, corresponde a datos provenientes de la producción de tubería para la transferencia de fluidos en la industria minera con información relacionada al peso, tipo de soldadura, diámetro y el correspondiente costo. Los valores evaluados como coeficientes de aceleración estuvieron en el rango 0 a 10, los demás parámetros, en este caso factor inercial y el tamaño de enjambre se trabajaron con valores fijos. La función objetivo utilizada es el Error Cuadrático Medio (MSE), calculado entre los valores observados y los valores estimados por la ANN. A partir de los resultados se puede observar que valores muy pequeños de c1 y c2 obtienen baja exactitud en la estimación de costos de fabricación de tubería, en tanto que la mejor exactitud es lograda por medio de una ANN con aprendizaje PSO, cuyos coeficientes de aceleración son mayores o iguales a 0.5.


Texto completo:

PDF HTML

Referencias


aka, S., Genji, T., Yura, T., Fukuyama, Y. (2003). “A hybrid particle swarm optimization for distribution state estimation”, IEEE Transactions on Power Systems, Vol. 18, No. 1, pp. 60-68.

Parmee, I. C. (2003). Computational intelligence and civil engineer- ing-perceived problems and possible solutions, in Towards a Vision for Information Technology in Civil Engineering, I. Flood, Ed., ASCE, Nashville, Tenn, USA.

Rodriguez, N., Duran, O. (2013). Reduced Multivariate Polynomial Model for Manufacturing Costs Estimation of Piping Elements, Hindawi Publishing Corporation Mathematical Problems in Engineering, Vol. 2013.

Sholahuddin, A. Ramadhan. A. Supriatna, A. (2015). The Application of ANN-Linear Perceptron in the Development of DSS for a Fishery Industry, Procedia Computer Science, Volume 72, 2015, Pages 67-77.

Srinivasan, D., Loo, W., Cheu, E. (2003). “Traffic incident detection using particle swarm optimization”, Proceedings of the 2003 IEEE Swarm Intelligence Symposium, Indianapolis (USA), pp. 144-151.

Svozil, D. Kvasnicka, V., & Pospichal. J. (1997). Introduction to multi-layer feed-forward neural networks, Chemometrics and Intelligent Laboratory Systems, Volume 39, Issue 1, 1997, Pages 43-62.

Tasgetiren, M.F., Liang, Y-C. (2003). “A binary particle swarm optimization algorithm for lot sizing problem”, Journal of Economic and Social Research, Vol. 5, No. 2, pp. 1-20.

Veeramachaneni, K., Osadciw, L.A. (2004)1. “Optimal scheduling in sensor networks using swarm intelligence”, Proceedings of the Conference on Information Sciences and System, Princeton University, New Jersey (USA).


Enlaces refback

  • No hay ningún enlace refback.


SÍGUENOS:


Dirección: Urdesa Central, Guayacanes 520 y la 5ta. Guayaquil - Ecuador | PBX ADMISIONES: (593) 4 6052450 PBX: (593) 4 6020400

Copyright © 2017 Universidad Tecnológica Empresarial de Guayaquil. Todos los Derechos Reservados.